相关实验视频
Updated: May 3, 2026
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.7K
一种基于特征智能提取和表示学习的APT攻击检测新方法
Cho Do Xuan1, Nguyen Hoa Cuong1
1Faculty of Information security, Posts and Telecommunications Institute of Technology, Hanoi, Vietnam.
PloS one
|June 24, 2024
概括
本研究介绍了一种新的FIERL模型,通过结合特征智能提取和表示学习来检测高级持久威胁 (APT) 攻击. FIERL模型显著提高了APT检测准确度,超过了现有方法.
科学领域:
- 网络安全 网络安全
- 网络安全 网络安全
- 机器学习 机器学习
背景情况:
- 高级持久威胁 (APT) 攻击对关键组织构成重大风险.
- 对APT活动的早期检测和预警系统对于现代网络安全至关重要.
研究的目的:
- 通过特征智能提取 (FIE) 和表示学习 (RL) 提出一种用于APT攻击检测的新方法.
- 提高在网络流量中识别APT活动的准确性和效率.
主要方法:
- 功能智能提取 (FIE) 结合了双向长短期内存 (BiLSTM) 和注意网络,从网络流量中提取不寻常的行为.
- 代表性学习 (RL) 使用数据再平衡和对比学习来优化APT和正常IP地址的分类.
- 综合特征智能提取和表示学习 (FIERL) 模型是一种新的方法.
主要成果:
- 拟议的FIERL模型在APT攻击检测方面表现出卓越的效率.
- 实验结果显示,与现有研究相比,所有测量均有超过5%的改善.
- 该方法被证明是有效和可靠的,用于识别APT活动.
结论:
- FIERL模型在APT检测能力方面提供了显著的进步.
- 结合FIE和RL技术,为网络安全威胁情报提供了一个强大的框架.
- 这项研究为发现复杂的网络威胁所面临的挑战提供了一个新且有效的解决方案.
